物流算法研究阅读2篇

篇(1)

　　摘要:物流配送中常用的Dijkstra、Floyd、A*等最短路径算法只能计算两点之间的最短路径，没有带约束条件和回程规划。多车多点路径规划算法利用神经网络对收送货地点进行分区，用百度地图API计算各点之间的最短路径，通过绕行遍历思想计算绕行贡献值，利用贪婪思想在车辆限载重、限路程的情况下组合回程，从而形成最优路径方案。该算法已用在物流企业的多车多点路径规划云平台上，大大提高了物流配送效率。

　　关键词:多车多点;最短路径;绕行贡献值;规划算法;物流配送

　　0引言

　　在物流配送活动中，物流配送路径的最优化问题，是物流配送系统优化中关键的一环。随着配送路网的日趋复杂，配送成本日益增大[1]，在物流配送中规划合理的配送路线，避免迂回运输与重复运输，有利于节省配送费用，降低物流成本，提高物流配送的效率和经济效益。物流配送问题是典型的组合寻优问题[2]，常用的路径最优算法有Dijkstra[3]、Floyd、A*等算法[4]。Dijkstra算法是经典的广度优先算法，该算法的主要特点是以起始点为中心搜索所有与其连接的点，从中心向外层延展，直到延展到终点为止，因此能够有效解决单源最短路径问题[5]。

　　Floyd算法是经典的深度优先算法，该算法利用动态规划思想，寻找给定的加权图中多源点之间最短路径，因此能够有效解决任意两点之间最短距离[6]。A*算法是基于启发式的最短路径算法，是一种静态路网中求解最短路径最有效的直接搜索方法，通过计算函数的慢相对最优解来筛选出发点周围的后继点[7]。这些算法都是求两顶点之间的最短路径，并且没有带约束条件，也没有规划回程。现实物流配送中，可能有不同的收送货地点、不同的收送货重量，车辆也有限重、限程、限时等多条件的限制，如何合理安排车辆，使得车辆在限制负载、限制行程的情况下遍历所有客户，并且规划回程的路径方案最优，本文提出了多车多点路径规划算法。

　　1多车多点路径规划算法思想

　　1.1绕行遍历思想

　　多车多点路径规划算法主要是对多车辆在限制负载、限制行程的情况下遍历所有客户，而且还能规划回程的最短路径方案，其核心是绕行遍历思想。假设由S点为起始点，现在要去A、B两个地点去收送货，两地间的距离单位为km，求要规划回程的最短路径。从起始点出发，要遍历所有点，并且返回起始点，路径的走法有四种：①广播方式：S→A→S→B→S，即从S点出发到A，返回S，再从S点到B，返回S。②往返方式：S→A→B→A→S，由S点出发，经过所有点A、B，再沿路返回。③往返方式：S→B→A→B→S，由S点出发，经过所有点B、A，再沿路返回。

　　④绕行遍历方式：S→A→B→S，环绕一周，遍历所有点，回到起始点。表1求出了每种走法的距离及绕行贡献值。根据三角形两边之和大于第三边，可知第四种走法(绕行遍历方式)是最短路径，是最佳走法。假设把前三种走法与第四种走法的距离差称为绕行贡献值，绕行贡献值越大，越值得绕行，这是本算法的一个核心思想。此外，还要根据S点的夹角K来判断采用广播方式、往返方式还是绕行遍历方式。当S点的夹角K为锐角，才采用绕行遍历，钝角则不绕行。

　　1.2贪婪思想

　　本算法中，先要计算出最短距离矩阵SM、绕行贡献值矩阵RX。RX值根据筛选公式筛选出来后形成队列，并按降序存放到JXDL队列中，再逐条路径从JXDL堆栈中出栈，进入累加堆栈，累加路程值及重量值，一旦路程累加值超过限程值、重量累加值超过限重值就出栈，剔除刚进栈的路径，在网络图上按照贪婪思想连接已经出栈的路径，形成一条回程路径。

　　1.3靠近原则

　　在组成回程时，根据收送货点是否靠近来组合回路，把相对较远的路径推后处理。是否靠近采用模糊神经网络来处理，假设E点与组成的回程成锐角时，可以把该地点加入回程，如果是钝角，则考虑和后面的回程组成回路。

　　2多车多点路径规划算法的实现

　　2.1多车多点路径规划算法的实现流程

　　多车多点路径规划算法具体的实现流程如下：(1)先从数据库中读取各个收送货地点的经纬度、客户收送的货物重量以及车辆载重、车辆最大行程信息。(2)利用模糊神经网络根据收货点与送货点的远近进行分区。(3)利用百度地图API计算出各个地点的最短路径，再算出所有路径的绕行贡献值。(4)对绕行贡献值筛选后形成降序路径队列，再出队，路径进入累加堆栈，入栈的时候，累加重量值及路程值;一旦路程累加值超过路程值和重量值就出栈，并剔除刚进栈的路径。

　　(5)利用贪婪思想根据路径是否靠近，对路径作连接处理形成回路。(6)把规划好后的结果存储到数据库中，并且用百度地图API显示出来。

　　2.2多车多点路径规划算法的实现

　　以物流货车收货为例，假设现有A至J的10个收货地点是在同一组，每个地点的货物重量(kg)为网络图上的结点值，L为起始点S到每个节点的矩离，D为节点间的距离。现有两种货车，分别是载重30kg与50kg，且货车一次行驶路程为40公里以内。每组成一个回程，则对第二类客户点与现有的回程作是否靠近的判断，如果靠近的话，则用插入路径方法，插入经过此客户点的路径。重复此操作，直到所有结点访问完毕。这样根据绕行思想和贪婪思想，逐步组合好了规划路径，最后通过百度地图API把这些路径显示在地图上。

　　3结语

　　本算法是针对多辆车到多个地点的最短路径问题，在算法中利用神经网络对地点按远近进行分区，利用百度地图API计算出各个地点的最短路径，根据绕行遍历思想算出所有路径的绕行贡献值，再用贪婪思想把路径组合起来，最后把规划好后的结果存储到数据库中，并且用百度地图API显示出来，使得在物流配送中能够满足车辆不超重、不超程并规划回程的路径最短。该算法已用在物流企业的多车多点智能路径规划云平台，也可以广泛应用在物流企业、公交路线规划、旅游规划、无人驾驶等各个行业。

　　参考文献

　　[1]钮亮,张宝友.基于云计算求解城市物流配送最短路径研究[J].科技通报,2015(5):184-188.

　　[2]李晶,闫军.基于Dijkstra算法和Floyd算法的物流运输最短路径研究[J].科技信息,2012(2):575-576.

　　[3]王华.基于Dijkstra算法的物流配送最短路径算法研[J].计算机与数字工程,2011(3):48-50.

　　[4]高小芳.物流配送最优路径规划[D].福建:华侨大学,2016.

　　物流方向论文范文：连锁餐企如何“玩转”物流配送

　　配送中心的良好发展离不开物流人才，具有物流管理理论和实践能力，并对市场有了解的专业人才是广大连锁餐企的需求目标。对于连锁餐饮企业来说，原料价格一般相差不大，物流配送的成本才是各企业研究的焦点。从麦当劳、肯德基的成功经验来看，连锁经营模式之所以能够高效运行，原因在于这些企业具有匹配自身的物流配送模式，可以轻易实现多品种、小批量、高频次的食材运输，大大降低企业的运营成本，更迅速的占领市场。

篇(2)

　　摘要:针对单一机制的灰狼算法易陷于局部最优、收敛速度慢的问题，提出了一种改进的灰狼优化算法来解决实际铁路物流配送中心选址。首先，在基本的灰狼优化算法上，引入佳点集理论初始化种群，提高了初始种群的多样性;然后，利用差值剔除策略，增加全局寻优性，达到一种高效的寻优模式。仿真实验结果表明：与标准的灰狼算法相比，所提出的改进灰狼优化算法适应度值提高了3%，在10个测试函数中最优值精度可最多提高个单位;与粒子群优化(PSO)算法、差分进化(DE)算法、遗传算法(GA)比较，其运行速度分别提高了39.6%、46.5%、65.9%，选址速度也明显提高，可用于铁路物流中心选址。

　　关键词:铁路运输;物流;配送中心选址;灰狼优化算法;佳点集

　　引言近年来，市场各种类型的物流形式都在不断地扩大着其服务的范围，争取实现物流中心的最大辐射范围和最佳利用率。铁路物流配送中心作为物流体系的重要基础设施，它具有速度快、费用低、运量大、连续性好的优点，在交通和物流业中发挥重要作用。铁路物流中心的建设对提升铁路货物运输服务品质、提供铁路物流可持续发展的基础设施具有重要意义[1]。

　　国内学者对于物流选址的问题进行了大量的研究分析。传统的求解方法主要有三种，分别是分支定界法、重心法、与拉格朗日松弛法[2]。其中，分支定界法常用来解决小规模选址问题;重心法主要用于求解单一物流配送中心选址问题拉格朗日松弛法则是可以求取中等规模问题的次优解。但是由于铁路物流配送中心选址模型是带有复杂约束的非线性模型属于典型的NPhard问题[3]，而传统的群智能算法，像基本灰狼优化(GreyWolfOptimizer，GWO)算法在迭代后期易陷于局部最优并且收敛精度不高[4]，无法很好地解决铁路物流中心选址的问题。

　　目前，很多研究者通过运用一些智能算法与实际选址问题相结合来研究这个问题，如：袁群通过遗传算法和禁忌搜索算法相结合，并用贪婪算法改进基本遗传算法来有效地避免早熟及局部最优现象，提高了求解物流选址最优解的效率[5];李茂林[6]为了解决传统猴群算法全局收敛度低的问题，通过非线性调节因子和lateral变异策略对算法进行改进，最后将改进后的猴群优化算法用于物流配送中心选址的实际问题中;生力军[7]针对经典粒子群算法在解决物流选址问题时易早熟收敛并且只能得到局部最优解的问题，提出了量子粒子群算法来求取物流配送中心选址的最优解;李小川等[8]将人群搜索算法中的行为意识引入烟花算法，来避免基本烟花算法鲁棒性差的缺陷。

　　尽管上述优化算法可以求得所需解，但单一机制的群智能优化算法无法满足求解具有多个配送点与需求点的铁路物流配送中心位置的需要，因此本文提出一种改进的灰狼优化算法。基本灰狼优化(GreyWolfOptimizer，GWO)算法是Mirjalili等[9]提出的一种新调整参数少的群体智能算法，它原理简单并且易于实现，但容易在迭代后期陷于局部最优，影响收敛速度及精度[10]。因此本文从寻找最佳的铁路物流配送中心位置出发，以求解31个需求点个配送中心的中等规模铁路物流中心选址为模型，提出一种带有佳点集和差值剔除策略的改进灰狼优化(ImprovedGreyWolfOptimization,IGWO)算法，最后将改进的灰狼优化算法用于求解中等规模的铁路物流配送中心选址问题上。

　　1铁路物流中心选址模型

　　在铁路物流中心选址问题中，由于铁路物流中心自身的特殊性，一般情况下铁路物流中心为中大规模，运输主要以大宗货物为主，适宜远距离运输，所以铁路物流中心的选择很大程度上决定了铁路物流运输的发展[11]。

　　1.1铁路物流中心选址问题模型假设

　　为了构建适当的模型，提出以下假设：1)在已有的铁路物流中心所辐射到的服务及配送区域的需求总量上，物流中心自身的负荷工作能力恒满足其配送及服务区域的总需求量。2)在物流中心所限区域范围内，满足一一对应的服务。3)将铁路物流中心与其配送和服务区域的需求点之间的距离以及产生的费用作为主要考虑因素。4)在费用计算中加入一个惩罚值，当物流中心与配送点距离大于3000km时需要考虑到这个惩罚值。5)以降低距离产生的费用为目标，通过限定规范营运费用，可有效控制运营成本。

　　1.2铁路物流中心选址问题模型构建

　　基于以上五点假设，通过具有普遍性和代表性的物流选址模型问题影响因素分析，从多个备用铁路物流配送中心中找出个物流配送中心向多个需求点进行配送服务。

　　2标准灰狼优化算法

　　灰狼是一种以群居生活为主的顶级食肉动物，它们有着严格的社会等级制度[13]。通常每个群体中有～12只狼，其中第一层称为α，是灰狼种群中的最高领导者，负责决策各项事务;第二层称为β，在整个种群中协助头狼α;第三层称为δ，主要负责侦察以及狩猎等事务，严格遵守α和β的指令;第四层称为ω，它听从于其他所有阶层的指令。

　　3改进的灰狼算法

　　在基本的灰狼算法中，初始种群是随机产生的，并且根据公式来进行位置更新，但是每次迭代前后并未进行信息交换。针对以上基本灰狼算法的不足，提出如下改进的灰狼优化IGWO算法。

　　3.1基于佳点集的种群初始化方法初始种群在搜索空间内均分布能够使得种群具有更强的多样性，进而有助于提高算法的全局搜索能力。用佳点集理论的取点法代替随机法可以使个体在空间中更加可靠地均匀分布，提高算法稳定性[14]。比起最初灰狼算法随机产生的办法，佳点集初始种群更具有稳定性和遍历性。

　　4数值仿真

　　为测试本文提出的改进灰狼优化算法(IGWO)的优化效果，进行大量的atlab数值仿真实验，并且与基本GWO进行了比较。选取了10个测试函数，两种算法种群规模均取30，最大迭代次数取500。

　　铁路论文范例：复杂地质铁路隧道敞开式TBM施工挑战及思考

　　5铁路物流中心物流选址比对

　　为了验证本文所提IGWO的优化可行性，本文获取31个需要铁路物流配送的城市地理位置信息，选取式(6)为目标函数，建立物流配送中心选址数学模型，并将IGWO与基本粒子群优化(ParticleSwarmOptimization,PSO)算法、灰狼优化(GreyWolfOptimizer,GWO)算法、差分进化(DifferentialEvolution,DE)算法与遗传算法(GeneticAlgorithm,GA)的迭代效果进行比对。

　　结语针对基本灰狼算法(GWO)求解铁路物流配送中心的问题的局限性，本文提出了一种改进的灰狼优化算法即IGWO。在WO基础上引入了佳点集来优化初始种群，使初始种群更加具有遍历性，搜索能力加强。在基本灰狼算法位置更新中加入了差值剔除策略增加扰动因素，加快了收敛速度，并且有效避免了陷入局部最优，提高了局部寻优能力。

　　在对14个标准测试函数的实验仿真表明，本文提出的IGWO有效增强了优化效率、收敛速度和鲁棒性。然而，IGWO也有自身的局限性.对于某些测试函数实验结果并不是很理想，可见IGWO对于部分函数不适合。但通过加入IGWO优化铁路物流选址模型，是对于求解铁路物流中心选址的一种有效补充，可以有效降低运营成本。下一步研究可在模型的选取上进行优化，使IGWO在物流选址问题或更多工业工程问题中有更深层次的优化性。

　　参考文献

　　[1]何西健胶州铁路物流中心建设方案优化研究[J].铁道运输与经济，2020，42(10)：2731(HStudyontheoptimizationoftheconstructionplanofJiaozhourailwaylogisticscenter[J].RailwayTransportandEconomy,2020,42(10):2731)

　　[2]李磊杨爱峰唐娜陈亚波基于多种群搜索的PSO的物流配送中心寻址求解[J].合肥工业大学学报自然科学版),2017,40(2):266271.(LIL,YANGAF,TANGN,etalSearchbasedPSOlogisticsanddistributioncenterinaddressingavarietyofgroupstosolve[J]HefeiUniversityofTechnology(NaturalScience),2017,40(2):266271

　　[3]尚月基于改进萤火虫算法的配送中心选址问题研究[D].开封：河南大学2018HANGY.Researchonlocationselectionofdistributioncenterbasedonimprovedfireflyalgorithm[D].KaifengHenanUniversity,2018

　　[4]徐松金龙文嵌入遗传算子的改进灰狼优化算法[J].兰州理工大学学报,2016,42(4):102108.(XUSJ,LONGW.Improvedgraywolfoptimizationalgorithmembeddedwithgeneticoperator[J].JournalofLanzhouUniversityofTechnology,2016,42(4):102108.)

　　[5]袁群左弈基于改进混合遗传算法的冷链物流配送中心选址优[J].上海交通大学学报201650(11)17951800.(YUANQ,ZUOY.Locationbasedonimprovedhybridgeneticalgorithmexcellentcoldchainlogisticsdistributioncenter[J]ShanghaiJiaotongUniversity,2016,50(11):17951800

　　作者：郝芃斐，池瑞，屈志坚，涂宏斌，池学鑫，张地友